최근 Privasea에서 진행하는 페이스 NFT 캐스팅 프로젝트가 큰 인기를 끌었습니다!
얼핏 보면 매우 간단해 보이는 프로젝트에서 사용자는 IMHUMAN(나는 인간입니다) 모바일 애플리케이션에 자신의 얼굴을 입력하고 얼굴 데이터를 NFT로 캐스팅할 수 있습니다. NFT를 통해 프로젝트는 4월 말 출시 이후 20W 이상의 NFT 캐스팅 볼륨을 확보할 수 있었으며 인기는 분명합니다.
나도 많이 헷갈리는데 왜죠? 얼굴 데이터가 크더라도 블록체인에 업로드할 수 있나요? 내 얼굴 정보가 도난당하나요? 프리바씨는 무엇을 하나요?
잠깐만요, 프로젝트 자체와 프로젝트 파티 Privasea를 계속 연구하여 알아 보겠습니다.
키워드: NFT, AI, FHE(Fully Homomorphic Encryption), DePIN
먼저, 얼굴 NFT 캐스팅 프로젝트 자체의 목적을 설명하겠습니다. 이 프로젝트가 단순히 얼굴 데이터를 NFT로 캐스팅하는 것이라고 생각했다면 완전히 틀렸습니다.
위에서 언급한 프로젝트의 앱 이름인 IMHUMAN(나는 인간입니다)은 이미 이 문제를 잘 보여줍니다. 사실 이 프로젝트의 목표는 얼굴 인식을 사용하여 화면 앞에 있는 사람이 실제 사람인지 확인하는 것입니다.
먼저 인간-기계 인식이 왜 필요한가요?
Akamai에서 제공한 2024Q1 보고서(부록 참조)에 따르면 Bot(사람이 보내는 HTTP 요청 및 기타 작업을 시뮬레이션할 수 있는 자동화된 프로그램)는 놀랍게도 인터넷 트래픽의 42.1%를 차지하며, 이 중 악성 트래픽이 27.5%를 차지합니다. 전체 인터넷 트래픽 %.
악성 봇은 응답 지연이나 중앙 집중식 서비스 제공업체의 다운타임과 같은 치명적인 결과를 초래하여 실제 사용자의 경험에 영향을 미칠 수 있습니다.
티켓 잡기 시나리오를 예로 들어보겠습니다. 티켓을 잡기 위해 여러 개의 가상 계정을 생성하면 사기꾼이 티켓 잡기에 성공할 확률을 크게 높일 수 있습니다. 심지어 서비스 제공업체의 컴퓨터실에 자동화된 프로그램을 직접 배포하기도 합니다. 이를 통해 거의 지연 없이 티켓 구매를 완료할 수 있습니다.
일반 사용자는 이러한 첨단 사용자를 상대로 승리할 가능성이 거의 없습니다.
이와 관련하여 서비스 제공자도 몇 가지 노력을 기울였습니다. Web2 시나리오에서는 서버 측에서 기능 필터링 및 인간과 기계를 구별하기 위해 실명 인증, 행동 확인 코드 및 기타 방법이 도입되었습니다. 차단은 WAF 정책 및 기타 수단을 통해 수행됩니다.
이 문제가 해결될까요?
분명히 그렇지 않습니다. 부정 행위로 인한 이점이 엄청나기 때문입니다.
동시에 인간과 기계의 대결은 계속되고 있으며 치터와 테스터 모두 끊임없이 무기고를 업그레이드하고 있습니다.
최근 AI의 급속한 발전을 활용하여 클라이언트의 행동 검증 코드는 다양한 시각적 모델을 통해 거의 차원적으로 축소되었으며 심지어 인간보다 더 빠르고 정확한 인식 기능을 갖추고 있습니다. 이로 인해 검증자는 수동적으로 업그레이드하여 초기 사용자 행동 특징 감지(이미지 확인 코드)에서 생체 인식 기능 감지(지각적 확인: 클라이언트 환경 모니터링, 장치 지문 등)로 점진적으로 전환합니다. 일부 고위험 작업에는 업그레이드가 필요할 수 있습니다. 생물학적 특징 감지(지문, 얼굴 인식)까지.
Web3의 경우 인간-기계 감지도 강력한 요구 사항입니다.
일부 프로젝트 에어드랍의 경우 사기꾼이 여러 개의 가짜 계정을 만들어 마녀 공격을 시작할 수 있습니다. 이때 실제 인물을 식별해야 합니다.
Web3의 재정적 특성으로 인해 계정 로그인, 화폐 인출, 거래, 이체 등과 같은 일부 고위험 작업의 경우 실제 사람뿐만 아니라 계정도 확인해야 합니다. 소유자이므로 얼굴 인식이 최선의 선택입니다.
수요는 확실하지만, 이를 어떻게 구현하느냐가 문제입니다.
우리 모두 알고 있듯이 분산화는 Web3의 원래 의도입니다. Web3에서 얼굴 인식을 구현하는 방법을 논의할 때 실제로 Web3가 AI 시나리오에 어떻게 적응해야 하는지에 대한 더 깊은 질문이 있습니다.
앞 장의 끝부분에서 언급한 문제에 대해 Privasea는 획기적인 솔루션을 제시했습니다. Privasea는 FHE(Fully Homomorphic Encryption) 기반으로 Privasea를 구축했습니다. Web3의 AI 시나리오의 개인 정보 보호 컴퓨팅 문제.
FHE 평신도의 관점에서 보면 평문과 암호문에 대해 동일한 연산 결과가 일관되도록 보장하는 암호화 기술입니다.
Privasea는 애플리케이션 계층, 최적화 계층, 산술 계층 및 원본 계층으로 구분된 기존 THE를 최적화하고 캡슐화하여 HESea 라이브러리를 구성하여 각 계층을 담당하는 특정 기능을 제공합니다.
네트워크에는 데이터 소유자, Privanetix 노드, 암호 해독기 및 결과 수신자 총 4가지 역할이 있습니다.
다음은 Privasea AI NetWork의 일반적인 워크플로우 다이어그램입니다.
Privasea AI NetWork의 핵심 워크플로우에서 사용자에게 노출되는 것은 개방형 API로, 이를 통해 사용자는 네트워크 자체 내의 복잡한 작동을 이해할 필요 없이 입력 매개변수와 해당 결과에만 주의를 기울일 수 있습니다. 너무 많이 하지 마세요. 정신적 부담이 큽니다. 동시에, 엔드투엔드 암호화는 데이터 처리에 영향을 주지 않고 데이터 자체가 유출되는 것을 방지합니다.
PoW && PoS 이중 메커니즘 중첩
Privasea가 최근 출시한 WorkHeart NFT와 StarFuel NFT는 PoW와 PoS의 이중 메커니즘을 사용하여 네트워크 노드를 관리하고 보상을 발행합니다. WorkHeart NFT를 구매하면 Privanetix 노드가 되어 네트워크 컴퓨팅에 참여하고 PoW 메커니즘을 기반으로 토큰 수익을 얻을 수 있는 자격을 얻게 됩니다. StarFuel NFT는 WorkHeart와 결합할 수 있는 노드 이득자(5,000개로 제한)입니다. PoS와 마찬가지로 더 많은 토큰을 약속할수록 WorkHeart 노드의 수익 배율이 더 커집니다.
그렇다면 PoW와 PoS가 필요한 이유는 무엇인가요?
사실 이 질문은 대답하기가 더 쉽습니다.
PoW의 본질은 계산에 드는 시간 비용을 통해 노드 악율을 줄이고 네트워크의 안정성을 유지하는 것입니다. BTC의 난수 검증에서 다수의 유효하지 않은 계산과 달리, 이 개인 정보 보호 컴퓨팅 네트워크 노드의 실제 작업 출력(작업)은 작업 부하 메커니즘에 직접 연결될 수 있으며 이는 당연히 PoW에 적합합니다.
그리고 PoS를 사용하면 경제적 자원의 균형을 더 쉽게 맞출 수 있습니다.
이와 같이 WorkHeart NFT는 PoW 메커니즘을 통해 수익을 얻는 반면, StarFuel NFT는 PoS 메커니즘을 통해 수익 배수를 증가시켜 다단계의 다양한 인센티브 메커니즘을 형성하여 사용자가 자신의 자원과 자원에 따라 적절한 참여 방법을 선택할 수 있도록 합니다. 전략. 두 가지 메커니즘을 결합하면 수익 분배 구조를 최적화하고 네트워크에서 컴퓨팅 리소스와 경제적 리소스의 중요성 사이의 균형을 맞출 수 있습니다.
Privatosea AI NetWork가 FHE를 기반으로 암호화된 버전의 머신러닝 시스템을 구축한 것을 볼 수 있습니다. FHE 프라이버시 컴퓨팅의 특성으로 인해 컴퓨팅 작업은 분산 환경의 다양한 컴퓨팅 노드(Privanetix)에 하도급되고, 결과의 유효성은 ZKP를 통해 검증되며, PoW와 PoS의 이중 메커니즘을 사용하여 컴퓨팅 결과를 제공합니다. . 노드는 네트워크 운영을 유지하기 위해 보상하거나 처벌합니다.
Privasea AI NetWork의 설계는 다양한 분야에서 개인정보를 보호하는 AI 애플리케이션을 위한 길을 닦고 있다고 할 수 있습니다.
우리는 마지막 장에서 Privatosea AI Network의 보안이 기본 FHE에 달려 있음을 볼 수 있습니다. FHE 트랙의 선두주자인 ZAMA의 지속적인 기술 혁신으로 FHE는 투자자들로부터 암호화폐의 새로운 성배로 불렸습니다. . 제목을 ZKP 및 관련 솔루션과 비교해 보겠습니다.
비교해보면 ZKP와 FHE의 적용 가능한 시나리오는 상당히 다르다는 것을 알 수 있습니다. FHE는 개인 정보 보호 계산에 중점을 두는 반면 ZKP는 개인 정보 확인에 중점을 둡니다.
SMC는 FHE와 더 많이 겹치는 것 같습니다. SMC의 개념은 공동 계산을 수행하는 개별 컴퓨터의 데이터 개인 정보 보호 문제를 해결하는 보안 공동 컴퓨팅입니다.
FHE는 데이터 처리 권한과 데이터 소유권을 분리하여 계산에 영향을 주지 않고 데이터 유출을 방지합니다. 그러나 동시에 컴퓨팅 속도도 희생됩니다.
암호화는 양날의 검과 같습니다. 보안을 향상시키는 동시에 컴퓨팅 속도를 크게 저하시킵니다.
최근 몇 년간 알고리즘 최적화를 기반으로 한 FHE 성능 개선 솔루션과 하드웨어 가속을 기반으로 한 다양한 FHE 성능 개선 솔루션이 제안되었습니다.
또한, 부분 동형 암호화(PHE)와 검색 암호화(SE)를 결합하면 특정 시나리오에서 효율성을 향상시킬 수 있는 하이브리드 암호화 방식의 적용도 모색되고 있습니다.
이에도 불구하고 FHE는 여전히 일반 텍스트 계산과 성능 면에서 큰 차이가 있습니다.
Privasea는 고유한 아키텍처와 상대적으로 효율적인 개인 정보 보호 컴퓨팅 기술을 통해 사용자에게 매우 안전한 데이터 처리 환경을 제공할 뿐만 아니라 Web3와 AI의 심층 통합에 대한 새로운 장을 엽니다. 하단에 의존하는 FHE는 자연스러운 컴퓨팅 속도 단점을 가지고 있지만 Privasea는 최근 ZAMA와 협력하여 개인 정보 보호 컴퓨팅 문제를 공동으로 해결했습니다. 앞으로 Privasea는 지속적인 기술 혁신을 통해 더 많은 분야에서 잠재력을 발휘하고 개인 정보 보호 컴퓨팅 및 AI 애플리케이션의 탐험가가 될 것으로 예상됩니다.
위 내용은 Privasea에 대한 심층적 해석: 얼굴 데이터 캐스팅 NFT, 흥미로운 혁신?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
